针对现有社交网络影响最大化算法影响范围小和时间复杂度高的问题，提出一种基于独立级联模型的 k-核过滤算法。首先，介绍了一种节点影响力排名不依赖于整个网络的现有影响力最大化算法；然后，通过预训练 k，找到对现有算法具有最佳优化效果且与选择种子数无关的 k值；最后，通过计算图的 k-核过滤不属于 k-核子图的节点和边，在 k-核子图上执行现有影响最大化算法，达到降低计算复杂度的目的。为验证 k-核过滤算法对不同算法有不同的优化效果，在不同规模数据集上进行了实验。结果显示，应用 k-核过滤算法后：与原PMIA算法相比，影响范围最多扩大13.89%，执行时间最多缩短8.34%；与原核覆盖算法（CCA）相比，影响范围没有太大差异，但执行时间最多缩短28.5%；与OutDegree算法相比，影响范围最多扩大21.81%，执行时间最多缩短26.96%；与Random算法相比，影响范围最多扩大71.99%，执行时间最多缩短24.21%。进一步提出了一种新的影响最大化算法GIMS，它比PMIA和IRIE的影响范围更大，执行时间保持在秒级别，而且GIMS算法的 k-核过滤算法与原GIMS算法的影响范围和执行时间差异不大。实验结果表明， k-核过滤算法能够增大现有算法选择种子节点集合的影响范围，并且减少执行时间；GIMS算法具有更好的影响范围效果和执行效率，并且更加鲁棒。